论文部分内容阅读
随着我国的经济发展,传统能源消耗带来的污染危机日益严重,为了缓解这种趋势,新能源开发与应用备受关注。太阳能以清洁、安全、可再生和取之不尽等优势在新能源中饱受青睐。为了高效利用太阳能,准确的预测太阳能辐射情况极其重要。本文针对太阳能辐射的预测问题进行深入研究,结合先进的机器学习理论,通过随机森林回归预测功能,能有效的预测太阳能辐射,为太阳能辐射在光伏发电应用中提供了全新的思路,具有重要的研究价值和广泛的应用前景。本文完成的主要工作如下:(1)通过查阅国内外相关技术文献,综述了太阳能利用的现状及太阳能辐射预测方法发展趋势,分析了太阳辐射的相关因素,确定了影响太阳辐射主要变量,构建了基本的太阳辐射数学模型。(2)分析了太阳辐射基本原理及相关因素,确定了太阳高度角、日照时间、晴空指数、平均降雨量等主要影响因子。通过仿真得到太阳辐射与影响因子的特性曲线,分析结果表明日照时间越长,太阳辐射量越大。太阳高度角越大,等量的太阳辐射散布面积越大,即单位面积太阳辐射强度越大,反之亦然。(3)研究了基于随机森林太阳能辐射预测方法,选取了九个主要变量,建立了随机森林树型回归分类器,采用同一地区的不同时间段的太阳能辐射数据,进行仿真实验获得相关辐射因子,构建了基于随机森林的太阳能辐射预测模型。(4)将不同的预测方法进行对比研究,构建了基于BP神经网络和基于支持矢量机(SVM)的太阳辐射预测模型,在相同训练样本的条件下,分别将这两种模型的预测结果与随机森林预测方法的结果进行对比。结果表明:在对无人区的太阳辐射量进行预测时,采用随机森林模型预测效果较好,减少了均方根误差、提高了模型的预测精度。(5)研究了改进的太阳辐射预测方法,针对城区的太阳辐射受更多随机因素干扰出现非平衡数据的问题,提出了一种基于C_SMOTE算法的改进随机森林算法。进行了改进前后随机森林算法的仿真研究,通过对比预测结果,可以看出采用改进的随机森林预测方法减小了 OOB误差,验证了模型有效性。这对复杂环境下的太阳能辐射预测、光伏发电有效利用具有重要指导意义。